Projecting Spatial Population Distribution Using a Convolutional Neural Network
Authors
Lindgreen, Thomas Breilev ; Bach-Sørensen, Niels
Term
4. semester
Publication year
2018
Submitted on
2018-06-07
Pages
121
Abstract
At kunne forudsige, hvor mennesker vil bo i fremtiden, er vigtigt for at håndtere befolkningsvækst og mulige klimaforandringer. Denne rapport undersøger, hvordan et konvolutionelt neuralt netværk kan bruges til at projicere fremtidig rumlig befolkningsfordeling, og hvilke resultater denne tilgang kan give. Vi udvikler PopNet, et konvolutionelt neuralt netværk — en type kunstig intelligens, der genkender mønstre i billeder — som lærer komplekse rumlige mønstre i historiske data på et gitter med 250 meters opløsning og derefter projicerer fremtidige fordelinger. Med denne arkitektur simuleres to fremtidsscenarier baseret på IIASA’s SSP2-befolkningsfremskrivninger for Danmark og Frankrig, og resultaterne vurderes. Metoden har begrænsninger, men resultaterne viser, hvordan og at konvolutionelle neurale netværk kan bruges til at projicere fremtidige befolkningsmønstre. Vi identificerer centrale udfordringer, styrker og svagheder og foreslår ændringer, der kan forbedre PopNets præcision og anvendelighed.
Accurately projecting where people are likely to live in the future can help address the pressures of population growth and climate change. This study examines how a convolutional neural network can be used to project future spatial population distributions and what this approach can achieve. We develop PopNet, a convolutional neural network — a type of AI that learns patterns in images — to forecast population on a 250-meter grid by learning complex spatial patterns from historical data. Using this architecture, we simulate two future scenarios based on IIASA’s SSP2 population projections for Denmark and France and evaluate the results. Although the neural network approach has limitations, the findings demonstrate how, and that, convolutional neural networks can be used to project future population patterns. The study identifies key challenges, strengths and weaknesses, and proposes changes that could improve PopNet’s precision and practical applicability.
[This abstract was generated with the help of AI]
Documents